Una arquitectura U-net de doble codificador con conocimiento previo para el mapeo de fuentes acústicas

Área de la Ciencia:

• Acústico
• Procesamiento de señales
• Aprendizaje automático

Sus antecedentes:

• La desconvolución es estándar para el mapeo de fuentes acústicas, pero es computacionalmente intensiva.
• Los métodos actuales de aprendizaje profundo carecen de diversidad de características y manejo de la variabilidad de PSF, lo que reduce la precisión de la localización.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje supervisado para el mapeo de fuentes acústicas de alta resolución.
• Mejorar la precisión de la localización abordando las limitaciones de los métodos existentes.

Principales métodos:

• Se propone una arquitectura U-net de doble codificador, que procesa mapas de retardo y suma y de formación de haz funcional.
• Una función de pérdida contrastiva asegura el aprendizaje constante de las características latentes.
• Los codificadores de frecuencia y posición incorporan el conocimiento previo de las características de la fuente y las ubicaciones espaciales.

Principales resultados:

• El modelo propuesto supera a los métodos existentes en cuatro métricas de simulación y conjuntos de datos MIRACLE.
• Generalización demostrada a través de un número variable de fuentes de sonido y frecuencias.
• Se ha conseguido un mapeo de mayor resolución de la verdadera distribución de la fuerza de la fuente.

Conclusiones:

• El marco U-net de doble codificador ofrece un avance significativo en el mapeo de fuentes acústicas.
• El método maneja efectivamente las variaciones de PSF y mejora la eficiencia computacional.
• Este enfoque proporciona una solución robusta para la localización precisa de la fuente acústica.